一种瞬态声辐射噪声的预测方法
    3.
    发明公开

    公开(公告)号:CN112364488A

    公开(公告)日:2021-02-12

    申请号:CN202011163241.X

    申请日:2020-10-27

    摘要: 本发明通过对声学边界元法基本解时间解析积分,利用主值积分和有限部分积分定义,获得关于时间的分段积分,针对每个时间段上的分段奇异积分,进行奇异主值分离使其正则化,主值积分再进行分段解析消除奇异性。而对于近奇异积分,将波距与源点到积分单元的最短距离结合起来,构建近奇异积分求解方法。本发明有效解决瞬态声学边界元法中的奇异积分,不必借助于拉普拉斯方程基本解。结合波距与源点到积分单元的最短距离的近奇异积分方法,能有效处理瞬态声学边界元法的波动奇异性与近奇异性,提高瞬态声学边界元法的计算精度和收敛性,提升瞬态声辐射噪声预测的准确性。

    一种基于数据驱动的机械结构实时疲劳寿命预测方法

    公开(公告)号:CN112784495B

    公开(公告)日:2021-09-24

    申请号:CN202110116397.0

    申请日:2021-01-28

    摘要: 本发明提出了一种基于数据驱动的机械结构实时疲劳寿命预测方法,其步骤为:首先,获得机械结构中对应的Paris模型的指数m和系数c的取值范围,并生成一系列指数和系数;其次,在机械结构上随机获取观测点,针对一组(mq,cq)进行循环,使用对偶互易边界元法对观测点进行疲劳裂纹扩展分析,获得观测点的位移和实时疲劳寿命信息,组成数据信息对;直至遍历所有(m,c),得到数据集;再将数据集输入BP神经网络中进行训练,得到BP神经网络模型;最后,采集机械结构中观测点的位移,并将观测点的位移输入BP神经网络模型中,得到观测点的实时疲劳寿命信息。本发明仅通过观测点位移就可预测机械结构的疲劳寿命,节省大量的时间和成本。

    一种基于数据驱动的机械结构实时疲劳寿命预测方法

    公开(公告)号:CN112784495A

    公开(公告)日:2021-05-11

    申请号:CN202110116397.0

    申请日:2021-01-28

    摘要: 本发明提出了一种基于数据驱动的机械结构实时疲劳寿命预测方法,其步骤为:首先,获得机械结构中对应的Paris模型的指数m和系数c的取值范围,并生成一系列指数和系数;其次,在机械结构上随机获取观测点,针对一组(mq,cq)进行循环,使用对偶互易边界元法对观测点进行疲劳裂纹扩展分析,获得观测点的位移和实时疲劳寿命信息,组成数据信息对;直至遍历所有(m,c),得到数据集;再将数据集输入BP神经网络中进行训练,得到BP神经网络模型;最后,采集机械结构中观测点的位移,并将观测点的位移输入BP神经网络模型中,得到观测点的实时疲劳寿命信息。本发明仅通过观测点位移就可预测机械结构的疲劳寿命,节省大量的时间和成本。